論文の概要: Quantum Neural Network Software Testing, Analysis, and Code Optimization
for Advanced IoT Systems: Design, Implementation, and Visualization
- arxiv url: http://arxiv.org/abs/2401.10914v1
- Date: Fri, 12 Jan 2024 03:44:17 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-28 16:09:31.528335
- Title: Quantum Neural Network Software Testing, Analysis, and Code Optimization
for Advanced IoT Systems: Design, Implementation, and Visualization
- Title（参考訳）: 高度なIoTシステムのための量子ニューラルネットワークソフトウェアテスト、分析、コードの最適化:設計、実装、可視化
- Authors: Soohyun Park and Joongheon Kim
- Abstract要約: 本稿では,量子ニューラルネットワーク(QNN)ソフトウェアのための新しい実行時テスト,解析,コード最適化(TACO)手法を提案する。
これは、バレン高原と呼ばれる学習パフォーマンスを視覚的に提示する。
提案されたTACOは、ソフトウェアエンジニアが不毛の高原の状況を視覚的に識別するため、視覚的なフィードバックも可能である。
- 参考スコア（独自算出の注目度）: 12.934897076001883
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: This paper introduces a novel run-time testing, analysis, and code
optimization (TACO) method for quantum neural network (QNN) software in
advanced Internet-of-Things (IoT) systems, which visually presents the learning
performance that is called a barren plateau. The run-time visual presentation
of barren plateau situations is helpful for real-time quantum-based advanced
IoT software testing because the software engineers can easily be aware of the
training performances of QNN. Moreover, this tool is obviously useful for
software engineers because it can intuitively guide them in designing and
implementing high-accurate QNN-based advanced IoT software even if they are not
familiar with quantum mechanics and quantum computing. Lastly, the proposed
TACO is also capable of visual feedback because software engineers visually
identify the barren plateau situations using tensorboard. In turn, they are
also able to modify QNN structures based on the information.
- Abstract（参考訳）: 本稿では,高度なIoT(Internet-of-Things)システムにおける量子ニューラルネットワーク(QNN)ソフトウェアのための,新しい実行時テスト,解析,コード最適化(TACO)手法を提案する。
QNNのトレーニングパフォーマンスを容易に認識できるため、バレン高原状況のリアルタイムなビジュアル表示は、リアルタイム量子ベースの高度なIoTソフトウェアテストに役立ちます。
さらに、このツールは、たとえ量子力学や量子コンピューティングに精通していないとしても、高精度なQNNベースの高度なIoTソフトウェアの設計と実装を直感的にガイドできるため、ソフトウェアエンジニアにとって明らかに有用である。
最後に、提案したTACOは、ソフトウェアエンジニアがテンソルボードを用いて不毛の高原の状況を視覚的に識別するため、視覚フィードバックも可能である。
また、情報に基づいてQNN構造を変更することもできる。
関連論文リスト
- Quantum-Trained Convolutional Neural Network for Deepfake Audio Detection [3.2927352068925444]
ディープフェイク技術は プライバシー セキュリティ 情報整合性に 課題をもたらす
本稿では,ディープフェイク音声の検出を強化するために,量子学習型畳み込みニューラルネットワークフレームワークを提案する。
論文 参考訳（メタデータ） (2024-10-11T20:52:10Z) - CTRQNets & LQNets: Continuous Time Recurrent and Liquid Quantum Neural Networks [76.53016529061821]
Liquid Quantum Neural Network (LQNet) とContinuous Time Recurrent Quantum Neural Network (CTRQNet) を開発した。
LQNetとCTRQNetは、バイナリ分類によってCIFAR 10で40%の精度向上を実現している。
論文 参考訳（メタデータ） (2024-08-28T00:56:03Z) - The MQT Handbook: A Summary of Design Automation Tools and Software for Quantum Computing [3.274875498478248]
Munich Quantum Toolkit (MQT) は、ミュンヘン工科大学のChair for Design Automationによって開発された、量子コンピューティングのためのソフトウェアツールの集合体である。
論文 参考訳（メタデータ） (2024-05-27T18:00:00Z) - Using Machine Learning To Identify Software Weaknesses From Software
Requirement Specifications [49.1574468325115]
本研究は、要求仕様からソフトウェア弱点を特定するための効率的な機械学習アルゴリズムを見つけることに焦点を当てる。
ProMISE_exp. Naive Bayes、サポートベクターマシン(SVM)、決定木、ニューラルネットワーク、畳み込みニューラルネットワーク(CNN)アルゴリズムをテストした。
論文 参考訳（メタデータ） (2023-08-10T13:19:10Z) - EQuaTE: Efficient Quantum Train Engine for Dynamic Analysis via
HCI-based Visual Feedback [17.100001959561144]
EQuaTEは勾配のばらつきをプロットして、量子ニューラルネットワーク(QNN)が局所的なミニマ(QNNではバレンプラトーと呼ばれる)に落ちるかどうかをチェックする
私たちのEQuaTEはHCIベースの視覚フィードバックを実現しています。なぜなら、ソフトウェアエンジニアはビジュアライゼーションによって不毛の高原を認識でき、またこの情報に基づいてQNNを修正できるからです。
論文 参考訳（メタデータ） (2023-02-08T03:05:59Z) - TeD-Q: a tensor network enhanced distributed hybrid quantum machine
learning framework [59.07246314484875]
TeD-Qは、量子機械学習のためのオープンソースのソフトウェアフレームワークである。
古典的な機械学習ライブラリと量子シミュレータをシームレスに統合する。
量子回路とトレーニングの進捗をリアルタイムで視覚化できるグラフィカルモードを提供する。
論文 参考訳（メタデータ） (2023-01-13T09:35:05Z) - The Basis of Design Tools for Quantum Computing: Arrays, Decision
Diagrams, Tensor Networks, and ZX-Calculus [55.58528469973086]
量子コンピュータは、古典的コンピュータが決して起こらない重要な問題を効率的に解決することを約束する。
完全に自動化された量子ソフトウェアスタックを開発する必要がある。
この研究は、今日のツールの"内部"の外観を提供し、量子回路のシミュレーション、コンパイル、検証などにおいてこれらの手段がどのように利用されるかを示す。
論文 参考訳（メタデータ） (2023-01-10T19:00:00Z) - FPGA-optimized Hardware acceleration for Spiking Neural Networks [69.49429223251178]
本研究は,画像認識タスクに適用したオフライントレーニングによるSNN用ハードウェアアクセラレータの開発について述べる。
この設計はXilinx Artix-7 FPGAをターゲットにしており、利用可能なハードウェアリソースの40%を合計で使用している。
分類時間を3桁に短縮し、ソフトウェアと比較すると精度にわずか4.5%の影響を与えている。
論文 参考訳（メタデータ） (2022-01-18T13:59:22Z) - QTN-VQC: An End-to-End Learning framework for Quantum Neural Networks [71.14713348443465]
可変量子回路(VQC)上に量子埋め込みを行うためのトレーニング可能な量子テンソルネットワーク(QTN)を導入する。
QTNは、量子埋め込みの生成から出力測定まで、エンドツーエンドのパラメトリックモデルパイプライン、すなわちQTN-VQCを可能にする。
MNISTデータセットに対する我々の実験は、他の量子埋め込み手法に対する量子埋め込みに対するQTNの利点を実証している。
論文 参考訳（メタデータ） (2021-10-06T14:44:51Z) - Quantum Optical Convolutional Neural Network: A Novel Image Recognition
Framework for Quantum Computing [0.0]
量子コンピューティングに基づく新しいディープラーニングモデルQuantum Optical Convolutional Neural Network (QOCNN)について報告する。
我々はこの新しいアーキテクチャを、セミナルなLeNetモデルに基づいた従来のCNNと比較した。
ディープラーニングへの量子コンピューティングベースのアプローチへの切り替えは、古典的モデルに匹敵する精度をもたらす可能性があると結論付けている。
論文 参考訳（メタデータ） (2020-12-19T23:10:04Z) - When Machine Learning Meets Quantum Computers: A Case Study [29.551615987978046]
本稿では,量子プロセッサ上でのニューラルネットワークアクセラレーションのエンドツーエンド実装を実証するケーススタディを行う。
標準かつ広く使用されているmnistデータセットを用いて,多層パーセプトロンを用いて画像分類を行う。
この研究は、量子プロセッサ上の訓練されたニューラルネットワークの推論フェーズの加速を目標とする。
論文 参考訳（メタデータ） (2020-12-18T17:06:11Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。